Análisis multivariado de datos en R

*
Campo Elı́as Pardo y Jorge Ortiz

1. Introducción
Desde la conferencia del profesor Cabrera (2002), en el Simposio de Estadı́stica, nos interesamos
en el R para la enseñanza y la investigación de la estadı́stica. Las notas de Correa & Salazar (2000),
fueron de gran utilidad para “romperle el hielo” al R. Tuvimos algún contacto con el ADE4 (análi-
sis de datos ecológicos y “environnementales” (ambientales) con procedimientos exploratorios
euclidianos) (Thioulouse, Chessel, Dolédec & Olivier 1997), cuando buscamos software para eje-
cutar el método STATIS (Lavit 1988). El grupo de Bioestadı́stica de Lyon implementó en ADE4
en R y tiene a disposición gran cantidad de información tanto didáctica como de investigación en
la página: http://pbil.univ-lyon1.fr/ADE-4/ADE-4.html.
La parte práctica del cursillo tiene por objeto ayudar a los participantes para utilizar el R, para
la enseñanza de la estadı́stica y como herramienta para la ejecución de los métodos estadı́sticos
y la implementación de nuevos métodos. Se utiliza el ADE4 bajo R para la ejecución de los
métodos factoriales descriptivos básicos: análisis en componentes principales (ACP), análisis de
correspondencias simples (ACS) y análisis de correspondencia múltiples (ACM). Los interesados
en ejecutar el análisis factorial múltiple (AFM) (Escofier & Pagès 1992) tienen una motivación
para empezar a usar el ADE4 bajo R.
En la edición de textos matemáticos el Latex (http://www.miktex.org/) se ha constituido en
una herramienta fundamental, ampliamente difundida en nuestro medio por De-Castro (2003). La
Revista Colombiana de Estadı́stica se edita en Latex, otras publicaciones estadı́sticas también exi-
gen las contribuciones en Latex, lo mismo que algunos congresos (por ejemplo el congreso del 2004
de la Federación Internacional de Sociedades de Clasificación (ICFS): http://www.classification-
society.org/ifcs04/). Estos hechos motivan la inclusión de algunas instrucciones que utilizamos para
pasar tablas y gráficos de R a Latex.

2. Instalación y uso de R
El R (R Development Core Team 2004) se encuentra en la página http://www.R-project.org,
de donde se puede instalar o bajar y luego instalar. Para lo que sigue se supone que el R y sus
paquetes adicionales, se han bajado y se encuentran disponibles en el disco duro o en un CD. Estas
notas hacen referencia a la versión 1.9.1, la última liberada al momento de escribirlas y al ambiente
RGui bajo Windows.
* Profesores Asociados, Departamento de Estadı́stica. Universidad Nacional de Colombia - Bogotá; e-mail: cepar-

dot@unal.edu.co, jeortizp@unal.edu.co

1
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 2

2.1. Instalación del núcleo básico

El R (versión 1.9.1) bajo windows se instala haciendo doble click en el archivo rw1091.exe.
Para iniciar R se hace click en el acceso directo R 1.9.1 o en Inicio → Programas → R → R
1.9.1. En la pantalla de RGui aparece la ventana Consola de R con lo siguiente:

R : Copyright 2004, The R Foundation for Statistical Computing

Version 1.9.1 (2004-06-21), ISBN 3-900051-00-3

R is free software and comes with ABSOLUTELY NO WARRANTY. You are

welcome to redistribute it under certain conditions. Type
’license()’ or ’licence()’ for distribution details.

R is a collaborative project with many contributors. Type

’contributors()’ for more information and ’citation()’ on how to
cite R in publications.

Type ’demo()’ for some demos, ’help()’ for on-line help, or

’help.start()’ for a HTML browser interface to help. Type ’q()’ to
quit R.
>

Ahora R está listo para recibir comandos. Es importante tener en cuenta que R hace diferencia
entre mayúsculas y minúsculas. La ayuda está disponible desde la barra de menú de RGui y
se puede acceder a ella de diferentes maneras. Una buena opción es: Help → Html help, que
utiliza el navegador en uso para acceder a la ayuda deseada. A esta ayuda se puede acceder
sin necesidad de abrir RGui con Inicio → Programas → R → R 1.9.1 Help. Otra opción es
utilizar el comando de R help(nombre de la función) o, el equivalente, ?nombre de la función,
comando que crea una ventana de ayuda cada vez. Estas ventanas se pueden intercambiar desde
el menú Windows de la barra de control de RGui. En el manual de referencia (Help → Manuals
→ R Reference Manual ) se accede al item de ayuda deseado con el ı́ndice del Acrobat. Para
preguntas especı́ficas se puede utilizar la lista r-help, cuya subscripción se puede hacer en la página:
https://www.stat.math.ethz.ch/mailman/listinfo/r-help.
La ayuda de R es generosa en ejemplos con los cuales se pueden apreciar los comandos en acción
copiándolos y pegándolos en la consola de R. Se recomienda leer totalmente An Introduction to R
(Help → Manuals → An Introduction to R), disponible en español en una versión un poco más
antigua (R Development Core Team 2000), en la página http://cran.r-project.org/doc/contrib.
Tres lecturas complementarias en español, disponibles en la misma página son (Paradis 2002),
(Dı́az 2003) y para gráficos (Correa & González 2002). El tiempo invertido en estas lecturas se
revertirá en ahorro durante la utilización de R.
Para quienes adopten el R como su programa básico para la enseñanza y ejecución de métodos
estadı́sticos es conveniente además suscribirse a la lista r-help en
https://www.stat.math.ethz.ch/mailman/listinfo/r-help

2.2. Instalación y uso del ADE4

En el menú de R hacer click en Packages, luego en Install package(s) from local zip files ...,
buscar el archivo ade4 1.2-2.zip y hacer click en Abrir.
En la consola de R aparece:
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 3

> install.packages(choose.files(’’,filters=Filters[c(’zip’,’All’),]),
.libPaths()[1], CRAN = NULL)
package ’ade4’ successfully unpacked and MD5 sums checked updating
HTML package descriptions
>

Lo que indica que la instalación de ADE4 ha tenido éxito y se encuentra disponible permanen-
temente junto con la ayuda Html. Para hacer disponibles las funciones, la ayuda con los comandos
help() o ? y los datos de los ejemplos de la librerı́a ade4, es necesario ejecutar la instrucción de R,
en cada sesión:
library(ade4)
Ahora estamos listos para utilizar R y ADE4 para ejecutar los métodos básicos de análisis
multivariado de datos. Sin embargo es más cómodo utilizar un editor de texto para almacenar los
comandos de R en forma organizada, como programas fuente.

2.3. Un editor para R

Para la elaboración y modificación de los programas en R estamos utilizando el WinEdt

5.3, el mismo que utilizamos como editor de Latex. Se puede obtener una versión de prueba
en Internet (http://www.winedt.com/) y un programa que lo configura para R (http://cran.r-
project.org/contrib/extra/winedt/).
La opción a) de instalación, recomendada en el archivo ReadMe.txt es:

1. Instalar R

2. Instalar WinEdt 5 (V. 5.2 o superior)

3. Instalar SWinRegistry (disponible en http://www.omegahat.org/SWinRegistry): Packages
→ Install package(s) from local zip files...

4. Instalar RWinEdt 1.6-1.zip: Packages → Install package(s) from local zip files...
5. Activarlo desde Rgui mediante library(RWinEdt), con lo cual se entra en WinEdt y aparece
el menú R-WinEdt en la barra de control de Rgui

2.4. Salidas de R a Latex

En Latex es posible colocar texto sin alterar su formato colocándolo entre los comandos:
begin{verbatim} y
end{verbatim}.
Con esta herramienta se pasan tanto las instrucciones de R, desde el editor, como los resultados
desde la consola de R o un archivo de salida. Ası́ esta editado este documento.
Las gráficas se graban desde la consola R Graphics, usando el menú contextual (botón derecho
del mouse), opción Save as postscript, con extensión *.eps y quedan listas para incluir en Latex.
El paquete xtable permite convertir algunas salidas de R en tablas de Latex. Se carga de la
misma manera que que los otros paquetes: Packages → Install package(s) from local zip files... y
se hace disponible con library(xtable).
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 4

2.5. Objetos de R

Es muy importante tener presente los tipos de objetos que se manejan en R, ya que las funciones
de R operan según los tipos de objeto que admitan como argumento. En este documento por ejemplo
la función plot produce diferentes resultados:

la figura 2 se obtiene con plot(cafe), puesto que el objeto cafe es de tipo data.frame;
plot(acp$eig) produce el gráfico de la figura 3, debido a que acp$eig es un vector numérico.

Con la función ls() se obtiene un listado de los objetos activos en R en ese momento y con
class(nombre-objeto), el tipo de un objeto particular. Por ejemplo:

class(cafe)
[1] "data.frame"

Los ejemplos colocados en R y en sus distintos paquetes son generalmente de tipo list, que es
una lista de objetos, que pueden ser de diferente tipo.
Obviamente en los manuales se encuentra información sobre los tipos de objetos que maneja R,
por ejemplo en el manual de introducción: Help → Html help → An Introduction to R → Objects.
R tiene funciones para convertir objetos de un tipo a otro y además cada una de las otras
funciones hace claridad sobre los tipos de objetos que recibe como argumento y los objetos que
produce.

2.6. Funciones y objetos de ADE4 para los métodos factoriales básicos

Para el tema que nos ocupa, el objeto principal de ADE4 es dudi, el cual se obtiene con la
función as.dudi, que es llamada por las funciones que realizan cualquier método factorial, por
ejemplo dudi.pca, dudi.coa, dudi.mca.
La función interna as.dudi(df,col.w,row.w) realiza el ACP(X, M, D) donde:

df: data.f rame con n filas y p columnas (X)

col.w: un vector numérico con los pesos de las filas (col.w[i] = D[i, i])
row.w: un vector numérico con los pesos de las columnas (row.w[j] = M [j, j])

La salida de as.dudi es un objeto dudi que es un list de los objetos:

tab: X
cw: pesos de las filas (D[i,i])
lw: pesos de las columnas (M[j,j])
eig: valores propios, un vector con min(n, p) componentes
nf: entero, numero de ejes guardados
c1: ejes principales (vectores propios en Rp ), data frame con p filas y nf columnas
l1: componentes principales, data.f rame con n filas y nf columnas
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 5

co: coordenadas de las columnas, data.f rame con p filas y nf columnas

li: coordenadas de las filas, data.f rame con n filas y nf columnas
call: llamado original de la función as.dudi

Para obtener las demás ayudas a la interpretación de los métodos factoriales básicos la librerı́a
ade4 tiene la función inertia.dudi(dudi, row.inertia = TRUE, col.inertia = TRUE), dudi es un
objeto de tipo dudi. La salida de esta función es un objeto list de los siguientes objetos:

TOT: valores propios y sus porcentajes

row.abs: contribuciones absolutas de las filas a la inercia de los ejes y total
row.rel: contribuciones relativas para las filas (cosenos cuadrado = calidad de la representación)
row.cum: contribución relativa de las filas a la inercia total
col.abs: contribuciones absolutas de las columnas a la inercia de los ejes y total
col.rel: contribuciones relativas para las columnas (cosenos cuadrado = calidad de la representa-
ción)
col.cum: contribución relativa de las columnas a la inercia total

Luego de corrido el código hasta la sección ??, se tienen los siguiente objetos en R:

> ls()
[1] "acp" "acpcotex" "acpI" "cafe" "cafecor" "cafetex"
>

El objeto acp es la salida de la función dudi.pca de ADE4 y su tipo y objetos son:

> class(acp)
[1] "pca" "dudi"
> names(acp)
[1] "tab" "cw" "lw" "eig" "rank" "nf" "c1" "l1" "co" "li"
[11] "call" "cent" "norm"

En comparación con dudi el subtipo de objeto pca, dudi tiene además los objetos:

rank: rango(X)
cent: vector con medias de df matriz de entrada al ACP
norm: desviaciones estándar de df

El ACP normado de Y es el ACP(X, Ip , n1 In ) con X de término general:

yij − ȳj
xij =
sj
que se puede escribir en términos de objetos:

df [i, j] − cent[j]
tab[i, j] =
norm[j]

El objeto acpI es la salida de la función inertia.dudi, cuyo tipo y objetos son:

Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 6

> class(acpI)
[1] "list"
> names(acpI)
[1] "TOT" "row.abs" "row.rel" "row.cum" "col.abs" "col.rel"
"col.cum"

Las funciones para la proyección de elementos ilustrativos y para la construcción de gráficos

se muestran en los ejemplos. La función para ejecutar el análisis factorial múltiple (AFM) es mfa,
recibe un objeto de tipo ktab y entrega un objeto de tipo mfa, que son especı́ficos de ade4.

3. Análisis en componentes principales

En R existen varias posibilidades para ejecutar el ACP, aquı́ solo se ilustra la del paquete ADE4,
seleccionada por ser la más cercana al programa SPAD (CISIA-CERESTA 2000), que es el que
hemos venido utilizando para la enseñanza y utilización de los métodos estadı́sticos multivariados
descriptivos.

3.1. Ejemplo café

Este ejemplo académico se utilizó en el documento (Cabarcas & Pardo 2001). Los datos confor-
man una tabla, de 10 preparaciones de café, contaminadas o no con 20 o 40 % de maı́z o cebada. A
las tazas de café se les miden varias caracterı́sticas mediante un panel de degustación. Adicional-
mente se tienen tazas preparadas con dos cafés comerciales. Los datos activos del análisis se tienen
en el archivo cafe.txt:

IDEN;IntensidadAroma;Aroma;Cuerpo;AcidezTasa;Amargo;Astringencia
ExcelsoClaro;7.72;7;6.84;5.02;5.04;5.36
Claro40Maiz;6.02;5.42;6.22;4.34;4.6;4.78
Claro40Cebad;6.48;5.98;6.44;4.58;4.82;4.8
Claro20Maiz;6.82;6.44;6.7;4.62;4.38;4.8
Claro20Cebad;7.08;6.2;6.72;4.78;4.94;4.9
ExcelsoOscur;7.66;7.42;6.98;5.12;5.18;5.22
Oscuro40Maiz;6.18;5.82;6.26;4;4.46;4.96
Oscuro40Ceba;6.84;6.56;6.82;4.3;4.96;4.84
Oscuro20Maiz;6.66;7.06;6.7;4.64;5;4.9
Oscuro20Ceba;7;6.7;7.04;4.6;4.88;5.18

El programa en R que encadena los procedimientos para realizar el ACP se encuentra en el

archivo cafe.R. A continuación se presenta paso a paso, como una inducción a los nuevos usuarios
de R. El sı́mbolo # indica comienzo de comentario, el cual termina con el salto de lı́nea. Para cada
secuencia de instrucciones R se supone que se han ejecutado todas las anteriores.

3.1.1. Lectura de los datos

#-------------------------------------------------------------------
# Simposio04 - Ejemplo ACP-cafe
#-------------------------------------------------------------------
# activación de ade4
library(ade4)
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 7

# lectura de datos
cafe <- read.table("cafe.txt", header = TRUE, sep = ";",row.names=1)
# se leen los datos del archivo cafe.txt
# la primera fila contiene los nombres de las columnas
# los datos están separados por ;
# la primera columna contiene los nombres de las filas
#-------------------------------------------------------------------

3.2. Tabla de datos a Latex

Esta sección es para quienes escriben documentos en Latex. La tabla 1 son los datos del archivo
cafe.txt obtenidos mediante las siguientes instrucciones de R. La salida (cafetex ) se escribe en el
archivo cafe.tex, de donde se copia para este documento. Es también posible copiar la tabla desde
la consola de R, escribiendo cafetex.

#-------------------------------------------------------------------
# construcción de tabla de datos en latex
library(xtable) # activa paquete para convertir a Latex
cafetex <- xtable(cafe) #convierte cafe a Latex
caption(cafetex) <- "Datos del ejemplo cafe" # tı́tulo para la tabla
label(cafetex) <- "t:cafe-datos"
# escribe tabla en archivo cafe.tex con tı́tulo arriba
print.xtable(cafetex, type="latex", file="cafe.tex", append=FALSE,
caption.placement="top")
#-------------------------------------------------------------------

Las lı́neas para el fuente de Latex obtenidas son:

% latex table generated in R 1.9.1 by xtable 1.2-3 package

% Mon Jun 28 18:57:41 2004
\begin{table}[ht]
\begin{center}
\caption{Datos del ejemplo cafe} \label{t:cafe-datos}
\begin{tabular}{rrrrrrr}
\hline
& IntensidadAroma & Aroma & Cuerpo & AcidezTasa & Amargo & Astringencia \\
\hline
ExcelsoClaro & 7.72 & 7.00 & 6.84 & 5.02 & 5.04 & 5.36 \\
Claro40Maiz & 6.02 & 5.42 & 6.22 & 4.34 & 4.60 & 4.78 \\
Claro40Cebad & 6.48 & 5.98 & 6.44 & 4.58 & 4.82 & 4.80 \\
Claro20Maiz & 6.82 & 6.44 & 6.70 & 4.62 & 4.38 & 4.80 \\
Claro20Cebad & 7.08 & 6.20 & 6.72 & 4.78 & 4.94 & 4.90 \\
ExcelsoOscur & 7.66 & 7.42 & 6.98 & 5.12 & 5.18 & 5.22 \\
Oscuro40Maiz & 6.18 & 5.82 & 6.26 & 4.00 & 4.46 & 4.96 \\
Oscuro40Ceba & 6.84 & 6.56 & 6.82 & 4.30 & 4.96 & 4.84 \\
Oscuro20Maiz & 6.66 & 7.06 & 6.70 & 4.64 & 5.00 & 4.90 \\
Oscuro20Ceba & 7.00 & 6.70 & 7.04 & 4.60 & 4.88 & 5.18 \\
\hline
\end{tabular}
\end{center}
\end{table}

3.2.1. Caracterı́sticas distribucionales de las variables

Con summary se obtienen las estadı́sticas básicas que se muestran y se utiliza apply para
calcular la desviación estándar. Los resultados se copian directamente de la consola de R (tabla 2).
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 8

Tabla 1: Datos del ejemplo cafe

IntensidadAroma Aroma Cuerpo AcidezTasa Amargo Astringencia
ExcelsoClaro 7.72 7.00 6.84 5.02 5.04 5.36
Claro40Maiz 6.02 5.42 6.22 4.34 4.60 4.78
Claro40Cebad 6.48 5.98 6.44 4.58 4.82 4.80
Claro20Maiz 6.82 6.44 6.70 4.62 4.38 4.80
Claro20Cebad 7.08 6.20 6.72 4.78 4.94 4.90
ExcelsoOscur 7.66 7.42 6.98 5.12 5.18 5.22
Oscuro40Maiz 6.18 5.82 6.26 4.00 4.46 4.96
Oscuro40Ceba 6.84 6.56 6.82 4.30 4.96 4.84
Oscuro20Maiz 6.66 7.06 6.70 4.64 5.00 4.90
Oscuro20Ceba 7.00 6.70 7.04 4.60 4.88 5.18

Con la función boxplot se obtiene la figura 1, donde se pueden comparar las distribuciones de
las seis variables. Se observan notas más altas en las tres primeras variables con respecto a las tres
últimas, mostrando una diferencia esos dos grupos de variables y justificando la normalización de
los datos antes de realizar el ACP (ACP normado).

#-------------------------------------------------------------------
# impresión de destadı́sticas básica y boxplot
# la función cat titula el objeto que se imprime luego con print
# \n indica salto de linea
#-------------------------------------------------------------------
cat("\n Estadı́sticas básicas \n")
print(summary(cafe))
cat("\n Desviaciones estándar \n")
print(apply(cafe,2,sd))
#-------------------------------------------------------------------
par(ask=TRUE) # para pausa antes de la gráfica
boxplot(cafe,cex.axis=0.75)

# cex.axis modifica tama~

no etiqueta ejes
#-------------------------------------------------------------------

Tabla 2: Café - estadı́sticas básicas

——————————————————————————————————————————-
Estadı́sticas básicas
IntensidadAroma Aroma Cuerpo AcidezTasa Amargo Astringencia
Min. :6.020 Min. :5.420 Min. :6.220 Min. :4.000 Min. :4.380 Min. :4.780
1st Qu.:6.525 1st Qu.:6.035 1st Qu.:6.505 1st Qu.:4.400 1st Qu.:4.655 1st Qu.:4.810
Median :6.830 Median :6.500 Median :6.710 Median :4.610 Median :4.910 Median :4.900
Mean :6.846 Mean :6.460 Mean :6.672 Mean :4.600 Mean :4.826 Mean :4.974
3rd Qu.:7.060 3rd Qu.:6.925 3rd Qu.:6.835 3rd Qu.:4.745 3rd Qu.:4.990 3rd Qu.:5.125
Max. :7.720 Max. :7.420 Max. :7.040 Max. :5.120 Max. :5.180 Max. :5.360

Desviaciones estándar
IntensidadAroma Aroma Cuerpo AcidezTasa Amargo Astringencia
0.5577773 0.6173780 0.2812986 0.3332000 0.2623060 0.2052749

——————————————————————————————————————————-

3.3. Correlaciones y gráficas de dispersión

El espacio de las variables del ACP normado es una imagen de la matriz de correlaciones, que
se obtiene en R con la función cor, cuando se aplica sobre un objeto de tipo data.frame o matrix
de datos numéricos. La función plot sobre el mismo data.frame, cafe produce la figura 2.
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 9

7
6
5
4

IntensidadAroma Aroma Cuerpo AcidezTasa Amargo Astringencia

Figura 1: Café - boxplot

#-------------------------------------------------------------------
# matriz de correlaciones y matriz de gráficas de dispersión
#-------------------------------------------------------------------
cat("\n Matriz de correlaciones \n")
print(cor(cafe),2)
plot(cafe)

#-------------------------------------------------------------------

Las siguientes instrucciones son para mostrar la matriz de correlaciones en la tabla 3.

#-------------------------------------------------------------------
# Matriz de correlaciones en formato Latex
#-------------------------------------------------------------------
cafecor <- xtable(cor(cafe))#convierte cor(cafe) a Latex
caption(cafecor) <- "Café - matrix de correlaciones"
label(cafetex) <- "t:cafe-cor" # label de la tabla
# escribe tabla en archivo cafe.tex con tı́tulo arriba
print.xtable(cafecor, type="latex", file="cafe.tex", append=TRUE,
caption.placement="top")
#-------------------------------------------------------------------

3.4. ACP normado de cafe

Se realiza el ACP normado del ejemplo café con todas las variables como activas. Las funciones
utilizados de ade4 son dudi.pca, que realiza el ACP; inertia.dudi, que calcula las contribuciones
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 10

Tabla 3: Café - matrix de correlaciones

IntensidadAroma Aroma Cuerpo AcidezTasa Amargo Astringencia
IntensidadAroma 1.00 0.83 0.84 0.87 0.70 0.78
Aroma 0.83 1.00 0.86 0.72 0.71 0.66
Cuerpo 0.84 0.86 1.00 0.67 0.66 0.62
AcidezTasa 0.87 0.72 0.67 1.00 0.67 0.61
Amargo 0.70 0.71 0.66 0.67 1.00 0.56
Astringencia 0.78 0.66 0.62 0.61 0.56 1.00

5.5 6.5 7.5 4.0 4.4 4.8 4.8 5.0 5.2

7.0
IntensidadAroma

6.0
7.0

Aroma
5.5

6.8
Cuerpo

6.2
4.0 4.6

AcidezTasa

5.0
Amargo

4.4
4.8 5.1

Astringencia

6.0 6.5 7.0 7.5 6.2 6.6 7.0 4.4 4.8 5.2

Figura 2: Café - gráficas de dispersión

absolutas y relativas a la inercia. Ver por ejemplo Lebart, Morineau & Warwick (1984). Las si-
guientes instrucciones producen las salidas numéricas del ACP, las cuales se han copiado desde la
consola de R, a este texto y se han separado en tablas para facilitar su referencia:

#-------------------------------------------------------------------
# ACP normado del ejemplo café
#-------------------------------------------------------------------
acp <- dudi.pca(cafe,scannf=F,nf=2) # realiza el ACP
# acpI contiene las ayudas a la interpretación del ACP
acpI <- inertia.dudi(acp,row.inertia=T,col.inertia=T)
# impresión de objetos de acp y de acpI con tı́tulos
cat("\n Valores propios \n")
print(acpI$TOT,2)
plot(acp$eig)

cat("\n Vectores propios \n")

print(acp$c1)
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 11

cat("\n Coordenadas de las columnas \n")

print(acp$co)
cat("\n Contribuciones de las columnas a los ejes \n")
print(acpI$col.abs/100)
cat("\n Calidad de representación de las columnas \n")
print(acpI$col.rel/100)
cat("\n Calidad de representación de las columnas en el plano \n")
print(acpI$col.cum/100)
cat("\n Coordenadas de las filas \n")
print(acp$li)
cat("\n Contribuciones de las filas a los ejes \n")
print(acpI$row.abs/100)
cat("\n Calidad de representación de las filas en los ejes \n")
print(acpI$row.rel/100)
cat("\n Calidad de representación de las filas en el plano \n")
print(acpI$row.cum/100)
#-------------------------------------------------------------------

La instrucción plot(acp$eig) produce la gráfica 3 de los valores propios, que sirve como com-
plemento a la tabla 3. En este ejemplo las correlaciones (tabla 3) son positivas relativamente altas
(entre 0.56 y 0.86), lo que explica que el resultado del ACP normado sea un primer de tamaño
(4.6, 76.7 % de la inercia). El primer componente principal se puede entonces tomar como un ı́ndice
de la calidad del cafe, los coeficientes para calcularlo están en la columna CS1 de la tabla 5. El
primer plano factorial conserva el 84.5 % de la inercia total (6 = número de variables). El segundo
eje separa una poco los cafés por astringencia, arriba y amargo, abajo.

Tabla 4: Valores propios

————————————————————————————————————————–

inertia cum ratio

1 4.60147661 4.601477 0.7669128
2 0.46937103 5.070848 0.8451413
3 0.38451212 5.455360 0.9092266
4 0.34461612 5.799976 0.9666626
5 0.14487978 5.944856 0.9908093
6 0.05514434 6.000000 1.0000000

————————————————————————————————————————–

El ACP se llevó a cabo con dudi.pca(cafe,scannf=F,nf=2) si se usa dudi.pca(cafe) aparece en la

pantalla una ventana con el “histograma” de valores propios (figura 3, derecha) y la consola de R
espera un número que indica el número de ejes a retener. El usuario debe seleccionar tal número
basado en el gráfico.

3.5. Gráficos del ACP

La fortaleza de los métodos descriptivos multivariados son las gráficas. Algunas de las salidas
numéricas son insumo para las gráficas (coordenadas) y las otras son ayudas para su interpretación.
En este ejemplo se hace un montaje de 4 gráficas (figura 4) , arriba se presenta el cı́rculo de
correlaciones, construido con la función s.corcircle y el primer plano factorial de los cafés, construido
con s.label. En la parte inferior está la posición de dos cafés comerciales proyectados como filas
suplementarias y de nuevo el primer plano factorial de los cafés pero mostrando su agrupación por
los tipos de contaminante de los cafés, utilizando la función s.class.
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 12

4
4

3
3
acp$eig

2
2
1

1
0

0
1 2 3 4 5 6

Index

Figura 3: Café - valores propios

Tabla 5: Vectores propios

————————————————————————————————————————–

CS1 CS2
IntensidadAroma -0.4472587 0.1528586
Aroma -0.4263091 -0.1445889
Cuerpo -0.4144891 -0.1442163
AcidezTasa -0.4040392 -0.1031639
Amargo -0.3800191 -0.5342186
Astringencia -0.3725008 0.7993107

————————————————————————————————————————–

A continuación se presentan las instrucciones de R que producen los dos gráficos de la parte
superior de la figura 4:

#-------------------------------------------------------------------------------
# gráficas del acp
#-------------------------------------------------------------------------------
par(mfrow=c(2,2)) # para 4 gráficas simultáneas
s.corcircle(acp$co,sub="Cafe - Cı́rculo de correlaciones",possub= "bottomright")
# se define iden para tener etiquetas más cortas en las gráficas
iden <- c("EC","C4M","C4C","C2M","C2C","EO","O4M","O4C","O2M","O2C")
# s.label es de ade4 y coloca puntos con etiquetas en planos factoriales
s.label(acp$li,label=iden,sub="Preparaciones de café",possub= "bottomright")
#-------------------------------------------------------------------------------

El circulo de correlaciones muestra el efecto “tamaño” del primer factor, con coordenadas
negativas para los cafés mejor calificados, mostrando además a las variables amargo y astringencia
como las más influyentes en el segundo eje. Este cı́rculo es la clave para la lectura del primer plano
factorial de los cafés: los mejores son los excelsior (EC, EO) y los peores los más contaminados con
maı́z (O4M, C4M). Los cafés más astringentes son el excelso (EC) y el oscuro contaminado con
40 % de maı́z (O4M). Los café más amargo es el oscuro contaminado con el 20 % de maı́z (O2M).
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 13

Tabla 6: Coordenadas y ayudas a la interpretación de las columnas

————————————————————————————————————————–

Coordenadas de las columnas

Comp1 Comp2
IntensidadAroma -0.9594169 0.10472444
Aroma -0.9144779 -0.09905878
Cuerpo -0.8891227 -0.09880354
AcidezTasa -0.8667067 -0.07067830
Amargo -0.8151809 -0.36599671
Astringencia -0.7990534 0.54761303

Contribuciones de las columnas a los ejes

Comp1 Comp2
IntensidadAroma 20.00 2.34
Aroma 18.17 2.09
Cuerpo 17.18 2.08
AcidezTasa 16.32 1.06
Amargo 14.44 28.54
Astringencia 13.88 63.89

Calidad de representación de las columnas

Comp1 Comp2 con.tra
IntensidadAroma -92.05 1.10 16.67
Aroma -83.63 -0.98 16.67
Cuerpo -79.05 -0.98 16.67
AcidezTasa -75.12 -0.50 16.67
Amargo -66.45 -13.40 16.67
Astringencia -63.85 29.99 16.67

Calidad de representación de las columnas en el plano

Comp1 Comp2 remain
IntensidadAroma 92.05 93.14 6.86
Aroma 83.63 84.61 15.39
Cuerpo 79.05 80.03 19.97
AcidezTasa 75.12 75.62 24.38
Amargo 66.45 79.85 20.15
Astringencia 63.85 93.84 6.16

————————————————————————————————————————–

3.6. Elementos suplementarios

La funciones suprow.pca y supcol, permiten el cálculo de filas y columnas suplementarias en

ACP. En la gráfica se colocan con la misma función s.label con la opción add.plot = T. Para las
variables nominales existe la función s.clas, que se utiliza para producir la gráfica inferior derecha
de la figura 4.
En las siguientes instrucciones de R se introducen los valores de las variables para dos cafés
comerciales, se calculan sus coordenadas como variables suplementarias y se producen las gráficas
inferiores de la figura 4.

#-------------------------------------------------------------------------------
# posición de elementos suplementarios
#-------------------------------------------------------------------------------
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 14

Tabla 7: Coordenadas de las filas

————————————————————————————————————————–

Axis1 Axis2
ExcelsoClaro -2.9947077 1.01622318
Claro40Maiz 3.2057321 0.03615753
Claro40Cebad 1.3866259 -0.55662815
Claro20Maiz 0.9814076 0.21905587
Claro20Cebad -0.3457128 -0.50136938
ExcelsoOscur -3.5409698 -0.08826572
Oscuro40Maiz 3.0213005 1.11233544
Oscuro40Ceba 0.1375515 -0.84616260
Oscuro20Maiz -0.4982973 -0.90730984
Oscuro20Ceba -1.3529300 0.51596367

————————————————————————————————————————–

# variables para los dos cafés comerciales

co1 <- c(6.48,5.46,7.06,4.60,5.26,5.16)
co2 <- c(6.66,6.26,7.36,4.44,5.64,5.24)
com <- rbind(co1,co2) # se unen los dos en una matriz
colnames(com) <- names(cafe) # asigna nombres de columnas a com
corcom <- suprow.pca(acp,com) # coordenadas de columnas suplementarias
cat("\n Coordenadas de los cafés comerciales \n")
print(corcom)
# se repite gráfica de filas para posicionar cafes comerciales
s.label(acp$li,label=iden,clabel=1,sub="Posición de cafés comerciales",
possub= "bottomright")
s.label(corcom,add.plot=T) # cafes comerciales sobre gráfica anterior
# gráfica de una varialbe nomical
# tipo de contaminante (E)xcelsior (sin), (M)aı́z, (C)ebada
tipo <-as.factor(c("E","M","C","M","C","E","M","C","M","C"))
# s.class muestra las subnubes según la variable tipo
s.class(acp$li,tipo,sub="Cafés según contaminación",possub= "bottomright")
#-------------------------------------------------------------------------------

En la gráfica inferior izquierda de la figura 4, se puede apreciar la calidad de los cafés comerciales
(co1, co2 ) con respecto a los 10 que dieron origen al ACP. La gráfica inferior derecha de la figura 4
equivale a la proyección de la variable nominal tipo, con categorı́as E (excelsior, sin contaminación),
C (cebada) y M (maı́z). Se observa la mejor calidad de los cafés excelsior, seguidos de cebada y
finalmente maı́z. El lector puede producir otra gráfica clasificando los cafés por su porcentaje de
contaminación (0,20 y 40).
Para completar el panorama fundamental del ACP falta proyectar al menos una variable su-
plementario sobre el cı́rculo de correlaciones, eso se consigue con las siguientes instrucciones de R:
(figura 5).

#-------------------------------------------------------------------------------
# Impresión global como variable suplementaria
#-------------------------------------------------------------------------------
impresion <- c(7.46,6.24,6.12,6.04,6.22,7.40,5.90,6.94,6.90,7.16)
impresion <- as.data.frame(impresion) rownames(impresion) <-
rownames(cafe) corimp <- supcol(acp,scalewt(impresion))
par(mfrow=c(1,1)) # para volver a una gráfica
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 15

Tabla 8: Ayudas a la interpretación de las filas

————————————————————————————————————————–

Contribuciones de las filas a los ejes

Axis1 Axis2
ExcelsoClaro 19.49 22.00
Claro40Maiz 22.33 0.03
Claro40Cebad 4.18 6.60
Claro20Maiz 2.09 1.02
Claro20Cebad 0.26 5.36
ExcelsoOscur 27.25 0.17
Oscuro40Maiz 19.84 26.36
Oscuro40Ceba 0.04 15.25
Oscuro20Maiz 0.54 17.54
Oscuro20Ceba 3.98 5.67

Calidad de representación de las filas en los ejes

Axis1 Axis2 con.tra
ExcelsoClaro -86.17 9.92 17.35
Claro40Maiz 93.83 0.01 18.25
Claro40Cebad 70.98 -11.44 4.51
Claro20Maiz 23.90 1.19 6.72
Claro20Cebad -10.83 -22.78 1.84
ExcelsoOscur -98.65 -0.06 21.18
Oscuro40Maiz 83.49 11.32 18.22
Oscuro40Ceba 0.95 -35.78 3.34
Oscuro20Maiz -13.54 -44.90 3.06
Oscuro20Ceba -55.13 8.02 5.53

Calidad de representación de las filas en el plano

Axis1 Axis2 remain
ExcelsoClaro 86.17 96.09 3.91
Claro40Maiz 93.83 93.84 6.16
Claro40Cebad 70.98 82.42 17.58
Claro20Maiz 23.90 25.10 74.90
Claro20Cebad 10.83 33.61 66.39
ExcelsoOscur 98.65 98.71 1.29
Oscuro40Maiz 83.49 94.81 5.19
Oscuro40Ceba 0.95 36.73 63.27
Oscuro20Maiz 13.54 58.45 41.55
Oscuro20Ceba 55.13 63.15 36.85

————————————————————————————————————————–

s.corcircle(acp$co,sub="Cafe - Cı́rculo de correlaciones",possub=

"bottomright",
clabel=0.5)
s.arrow(corimp$cosup,add.plot=T)
#-------------------------------------------------------------------------------

En la figura 5 se observa una alta correlación entre el primer eje y la impresión global dada
por el panel de degustadores.
 Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 16

d=1

Astringencia
EC O4M

O2C
IntensidadAroma
C2M
AcidezTasa C4M
Cuerpo
Aroma EO
C2C C4C
Amargo
O2M O4C

Cafe − Círculo de correlaciones Preparaciones de café

d=1 d=1

EC O4M

O2C E
C2M M
C4M
EO
co2 C
C2C C4C
O2M O4C

co1

Posición de cafés comerciales Cafés según contaminación

Figura 4: ACP de café

Astringencia

IntensidadAroma
impresion
AcidezTasa
Cuerpo
Aroma

Amargo

Cafe − Círculo de correlaciones

Figura 5: Cafe - proyección de impresión global

Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 17

4. Análisis de correspondencias simples (ACS)

4.1. Ejemplo “Bogotá”: TC localidades x estrato

Para ilustrar el ACS se escogió una tabla de contingencia que clasifica las manzanas de Bo-
gotá según la localidad (alcaldı́a menor) y el estrato a que pertenecen, ejemplo empleado en
(Pardo 1999). Los datos están en el archivo bogota.txt. Las instrucciones de R están en el archivo
bogota.R.

4.2. Lectura de los datos

Las siguientes instrucciones sirven para leer los datos y ponerlos en formato Latex para la tabla
9.

#------------------------------------------------------------------------
# Simposio04 - Ejemplo ACS-Estratificación de Bogotá
#------------------------------------------------------------------------
library(ade4) # activación de ade4
# lectura de datos
bogota <- read.table("bogota.txt", header = TRUE, sep = ";",row.names=1)
# datos en formato Latex
library(xtable) # activa paquete para convertir a Latex
#convierte bogota a Latex con formato entero
bogotatex <- xtable(bogota,display=c("s",rep("d",dim(bogota)[2])))
caption(bogotatex) <- "Datos del ejemplo Bogotá" # tı́tulo para la tabla
label(bogotatex) <- "t:bogota-datos" # label de la tabla
# escribe tabla en archivo bogota.tex con tı́tulo arriba
print.xtable(bogotatex, type="latex", file="bogota.tex", append=FALSE,
caption.placement="top")
#------------------------------------------------------------------------

Tabla 9: Datos del ejemplo Bogotá

SinEstrato Estrato1 Estrato2 Estrato3 Estrato4 Estrato5 Estrato6
Usaquén 327 109 383 487 303 308 367
Chapinero 113 97 121 57 197 125 306
Santafé 91 40 439 145 25 1 0
SanCristóbal 150 225 1969 288 0 0 0
Usme 244 1593 1029 0 0 0 0
Tunjuelito 50 17 535 221 0 0 0
Bosa 219 263 2306 78 0 0 0
Kennedy 471 86 2077 1830 25 0 0
Fontibón 357 0 296 715 215 0 0
Engativá 334 67 857 2335 122 0 0
Suba 453 27 1982 955 373 482 112
BarrUnidos 98 1 1 675 387 15 0
Teusaquillo 148 0 2 156 625 38 0
LosMártires 79 0 32 584 4 0 0
AntonioNariñ 61 0 25 459 0 0 0
PteAranda 319 1 10 1836 0 0 0
LaCandelaria 42 0 73 39 0 0 0
RafaelUribe 182 239 1087 835 0 0 0
CiuBolı́var 350 2946 1058 91 0 0 0

Con las siguientes lı́neas de R se convierte el data.f rame bogota en un objeto list de una
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 18

tabla de las columnas activas tab, un vector con una columna ilustrativa sinest, un vector para
las etiquetas de las columnas lest y un vector para las etiquetas de las filas lloc. Con esto queda
estructurada la información para el análisis de correspondencias.

#------------------------------------------------------------------------
# conversión a lista tab = columnas activas, sinest = columna ilustrativa
#------------------------------------------------------------------------
sinest <- bogota[,1]
sinest <- as.data.frame(sinest)
rownames(sinest) <- rownames(bogota)
lest <- c("E1","E2","E3","E4","E5","E6")
lloc <- c("Usaq","Chap","StFe","SCri","Usme","Tunj","Bosa","Kenn","Font","Enga",
"Suba","BUni","Teus","Mart","AnNa","PtAr","Cand","RaUr","CBol")
bogota <- list(tab=bogota[,2:7],sinest=sinest,lest=lest,lloc=lloc)
#------------------------------------------------------------------------

4.3. Análisis de correspondencias

Los cálculos del ACS se realizan mediante la función dudi.coa de ade4. Para ver los resultados
se ha creado la función af g.tex, que llama la función inertia.dudi e imprime los resultados en
consola y crea un archivo con la salida en varias tablas Latex. La función se encuentra en el
archivo afg.tex.R y en la tabla 10 Con las siguientes instrucciones de R se obtienen las salidas
numéricas:

#------------------------------------------------------------------------
# análisis de correspondencias
#------------------------------------------------------------------------
ac <- dudi.coa(bogota$tab,scannf=F,nf=2)
# impresión de resultados
source("afg.tex.R") # función para salida de ACS a Latex
# crea archivo Bogota.tex con tablas Latex
# e imprime en consola
afg.tex(ac,2,"Bogota")
#------------------------------------------------------------------------

En la edición se han agrupado las tablas para ahorrar espacio. Recuérdese que en el ACS de una
tabla de contingencia (TC) se representan los perfiles fila y columna (distribuciones condicionales)
en dos espacios que se visualizan en proyecciones simultáneas. En la tabla 11 se puede observar
que el primer plano factorial retiene el 67 % de la inercia, de modo que esta proyección es suficiente
para observar las principales semejanzas y diferencias entre las distribuciones condicionales de las
localidades según estratos, de los estratos según localidades y las correspondencias entre ellas. Las
tablas que se presentan sirven para hacer las lecturas apropiadas en los gráficos.

4.4. Gráficas del ACS

Como resultado principal se hace un montaje de 4 gráficas (figura 6) y luego se hace un montaje
de 20 gráficas una para cada localidad, adicionando al final la gráfica global para referencia (figura
7). Las instrucciones de R son las siguientes:

#------------------------------------------------------------------------
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 19

Tabla 10: Función afg.tex

#--------------------------------------------------------------------
# afg.tex - función para crear tablas en Latex de análisis factoriales
# C.E. Pardo Julio/04
# requiere paquete xtable
# entra afc de tipo "coa" "dudi", scannf=número de ejes,
# job = tı́tulo del trabajo para las tablas
# se imprimen los resultados en consola
# se crea el archivo job.tex si existe se sobrescribe
#--------------------------------------------------------------------
library(xtable)
#--------------------------------------------------------------------
# función para una tabla
latex <- function(obj,job="latex",tit="",lab="",append=T){
latex <- xtable(obj)
caption(latex) <- paste(job,"-",tit)
label(latex) <- paste("t:",job,"-",lab,sep="")
print.xtable(latex, type="latex", file=paste(job,".tex",sep=""),
append,caption.placement="top")
# impresion en consola
cat("\n",tit,"\n"); print(obj)
}
#---------------------------------------------------------------------
afg.tex <- function(afg,scannf=2,job=""){
afgI <- inertia.dudi(afg,row.inertia=T,col.inertia=T)
porvp <- diff(afgI$TOT$ratio,1)*100
porvp <- c(afgI$TOT$ratio[1]*100,porvp)
tvalp <-cbind(afgI$TOT,porvp)
latex(tvalp,job,"Valores propios","valores-propios",F)
latex(afg$c1,job,"Vectores propios","vectores-propios")
latex(afg$co,job,"Coordenadas de las columnas",
"coordenadas-columnas")
latex(afgI$col.abs/100,job,"Contribuciones de las columnas",
"cont-abs-columnas")
latex(afgI$col.rel/100,job,"Calidad de representación de las columnas",
"calidad-columnas")
latex(afgI$col.cum/100,job,"Calidad de representación acumulada de las columnas",
"cal-acum-columnas")
latex(afg$li,job,"Coordenadas de las filas",
"coordenadas-filas")
latex(afgI$row.abs/100,job,"Contribuciones de las filas",
"cont-abs-filas")
latex(afgI$row.rel/100,job,"Calidad de representación de las filas",
"calidad-filas")
latex(afgI$row.cum/100,job,"Calidad de representación acumulada de las filas",
"cal-acum-filas")
}
#------------------------------------------------------------------------------

# gráficas del ACS

#------------------------------------------------------------------------
par(mfrow=c(2,2)) scatter.coa(ac,posieig = "none",clab.row =
0,clab.col = 0) cat("\n")
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 20

Tabla 11: Bogota - valores propios

0.5
0.4
0.3
0.2
0.1
0.0
inertia cum ratio porvp
1 0.57 0.57 0.41 40.67
2 0.38 0.95 0.67 26.80
3 0.25 1.20 0.86 18.07
4 0.17 1.37 0.98 12.20
5 0.03 1.40 1.00 2.25

Tabla 12: Bogota - Coordenadas y ayudas a la interpretación de las columnas

Coordenadas Contribuciones
Comp1 Comp2 Comp1 Comp2
Estrato1 1.43 0.32 Estrato1 56.98 4.27
Estrato2 0.21 −0.20 Estrato2 3.06 4.21
Estrato3 −0.65 −0.44 Estrato3 24.07 16.98
Estrato4 −1.05 1.40 Estrato4 12.21 33.20
Estrato5 −0.62 1.34 Estrato5 1.85 12.98
Estrato6 −0.69 2.21 Estrato6 1.83 28.36

Calidad de representación Calidad acumulada

Comp1 Comp2 con.tra Comp1 Comp2 remain
Estrato1 81.76 4.04 28.34 Estrato1 81.76 85.81 14.19
Estrato2 11.01 −9.96 11.32 Estrato2 11.01 20.97 79.03
Estrato3 −52.72 −24.50 18.57 Estrato3 52.72 77.22 22.78
Estrato4 −24.84 44.52 19.98 Estrato4 24.84 69.36 30.64
Estrato5 −10.17 47.00 7.40 Estrato5 10.17 57.17 42.83
Estrato6 −5.17 52.84 14.38 Estrato6 5.17 58.01 41.99

s.label(ac$li,label=lloc,add.p=T,clab=0.8) scatter.coa(ac,posieig
= "none",clab.row = 0,clab.col = 0) cat("\n")
s.label(ac$co,label=lest,add.p=T,clab=0.8) scatter.coa(ac,posieig
= "none",clab.row = 0,clab.col = 0) cat("\n")
s.label(ac$li,label=lloc,add.p=T,clab=0.8)
s.label(ac$co,label=lest,add.p=T,clab=0.9) scatter.coa(ac,posieig
= "none",clab.row = 0,clab.col = 0) cat("\n")
s.label(ac$co,label=lest,add.p=T,clab=0.8)
s.label(supcol(ac,bogota$sinest)$cosup,label="SE",add.p=T,clab=1)
#------------------------------------------------------------------------

#------------------------------------------------------------------------
# una gráfica por cada localidad
#------------------------------------------------------------------------
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 21

Tabla 13: Bogota - Coordenadas y ayudas a la interpretación de las filas

Coordenadas Contribuciones
Axis1 Axis2 Axis1 Axis2
Usaquén −0.57 1.16 Usaquén 3.10 19.54
Chapinero −0.54 1.99 Chapinero 1.29 26.48
Santafé 0.06 −0.26 Santafé 0.01 0.32
SanCristóbal 0.29 −0.29 SanCristóbal 1.03 1.59
Usme 1.26 0.19 Usme 20.27 0.68
Tunjuelito −0.01 −0.42 Tunjuelito 0.00 1.01
Bosa 0.40 −0.25 Bosa 2.11 1.25
Kennedy −0.21 −0.47 Kennedy 0.90 6.58
Fontibón −0.67 −0.10 Fontibón 2.73 0.08
Engativá −0.53 −0.49 Engativá 4.70 5.92
Suba −0.31 0.25 Suba 1.90 1.87
BarrUnidos −1.04 0.40 BarrUnidos 5.73 1.29
Teusaquillo −1.26 1.70 Teusaquillo 6.33 17.70
LosMártires −0.80 −0.68 LosMártires 1.94 2.12
AntonioNariñ −0.80 −0.70 AntonioNariñ 1.50 1.75
PteAranda −0.85 −0.72 PteAranda 6.49 7.02
LaCandelaria −0.12 −0.46 LaCandelaria 0.01 0.18
RafaelUribe 0.02 −0.38 RafaelUribe 0.00 2.36
CiuBolı́var 1.41 0.27 CiuBolı́var 39.96 2.26

Calidad de representación Calidad acumulada

Axis1 Axis2 con.tra Axis1 Axis2 remain
Usaquén −14.73 61.11 8.57 Usaquén 14.73 75.84 24.16
Chapinero −5.01 67.81 10.46 Chapinero 5.01 72.82 27.18
Santafé 0.99 −19.23 0.44 Santafé 0.99 20.22 79.78
SanCristóbal 12.72 −12.90 3.31 SanCristóbal 12.72 25.61 74.39
Usme 92.93 2.06 8.87 Usme 92.93 94.98 5.02
Tunjuelito −0.03 −38.76 0.70 Tunjuelito 0.03 38.79 61.21
Bosa 16.87 −6.60 5.09 Bosa 16.87 23.47 76.53
Kennedy −15.14 −72.65 2.43 Kennedy 15.14 87.79 12.21
Fontibón −68.66 −1.40 1.62 Fontibón 68.66 70.06 29.94
Engativá −44.86 −37.25 4.26 Engativá 44.86 82.11 17.89
Suba −17.88 11.63 4.31 Suba 17.88 29.51 70.49
BarrUnidos −48.86 7.24 4.77 BarrUnidos 48.86 56.11 43.89
Teusaquillo −18.96 34.95 13.57 Teusaquillo 18.96 53.92 46.08
LosMártires −37.60 −27.04 2.10 LosMártires 37.60 64.64 35.36
AntonioNariñ −36.50 −28.01 1.67 AntonioNariñ 36.50 64.51 35.49
PteAranda −35.88 −25.57 7.36 PteAranda 35.88 61.45 38.55
LaCandelaria −3.17 −49.19 0.10 LaCandelaria 3.17 52.35 47.65
RafaelUribe 0.20 −89.36 0.71 RafaelUribe 0.20 89.56 10.44
CiuBolı́var 82.63 3.08 19.67 CiuBolı́var 82.63 85.71 14.29

s.label(ac$li,label=lloc)
windows() # abre otra ventana de gráficos
par(mfrow=c(5,4))
for (i in 1:19) {
# s.label(ac$li,clab=0)
# s.label(ac$co)
scatter.coa(ac,posieig = "none",clab.row = 0,
clab.col = 0)
s.label(ac$co,label=lest,add.p=T)
s.label(ac$li[i,],label=lloc[i],add.p=T,clab=1.5)
}
scatter.coa(ac,posieig = "none",clab.row = 0,clab.col = 0.8)
s.label(supcol(ac,bogota$sinest)$cosup,label="SE",add.p=T,clab=1.5)
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 22

d = 0.5 d = 0.5
E6
Chap

Teus

E4 E5
Usaq

BUni
Suba CBol E1
Usme

Font
Bosa
StFeSCri E2
RaUr
Tunj E3
Cand
EngaKenn
Mart
AnNa
PtAr

d = 0.5 d = 0.5
E6 E6
Chap

Teus

E4 E5 E4 E5
Usaq

BUni
Suba E1
CBol E1
Usme
SE
Font
StFeE2Bosa E2
SCri
E3 RaUr
Tunj E3
Cand
EngaKenn
Mart
AnNa
PtAr

Figura 6: Bogotá - gráficas del ACS

#------------------------------------------------------------------------

Recuérdese que en el centro de las gráficas se encuentra, por una lado, la distribución de las
manzanas de Bogotá según los estratos y por el otro según las localidades. Un perfil de categorı́a
(localidad o estrato) cercano al centro, si está bien representado (tabla 13), está indicando una
distribución parecida a la de la ciudad, por ejemplo Suba y el Estrato2. Alejarse del centro sig-
nifica aumentar la proporción en algunas categorı́as y disminuir en otras. Por ejemplo U sme y
CiudadBolivar tienen más proporción de estrato 1, su posición cercana indica perfiles muy pa-
recidos. En el perfil de los estratos 4, 5 y 6 hay más proporción de las localidades Chapinero,
Teusaquillo y Usaquén, en comparación con la distribución de las manzanas según localidad dentro
de la ciudad. En realidad es suficiente la gráfica situada en la parte inferior izquierda de la figura 6,
pues se trata de las dos gráficas superiores superpuestas. Sobre esta gráfica es más fácil la lectura
simultánea que esta justificada por las relaciones de transición del ACS, que intuitivamente se
puede entender como un ”jalonamiento”mutuo. Por ejemplo E1 está jalonando a CBol y U sme
y recı́procamente E1 está siendo jalonado por CBol y U sme. En la gráfica inferior derecha de la
figura 6 se proyecta el perfil de la columna Sin estrato de la tabla de datos (tabla 9). Su posición
cercana al centro está indicando una distribución muy parecida a las manzanas estratificadas de
la ciudad.
La figura 7 se ha incluido para ubicar cada una de las localidades de la ciudad, aunque los
puntos tapados de las localidades de la figura 6, se pueden dilucidar con las coordenadas de la
tabla 13.
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 23

E6 d = 0.5 E6 d = 0.5 E6 d = 0.5 E6 d = 0.5

Chap
E4 E5 E4 E5 E4 E5 E4 E5
Usaq

E1 E1 E1 E1

E2 E2 E2
StFe E2
E3 E3 E3 E3 SCri

E6 d = 0.5 E6 d = 0.5 E6 d = 0.5 E6 d = 0.5

E4 E5 E4 E5 E4 E5 E4 E5

E1 E1 E1 E1
Usme
E2 E2
Tunj Bosa
E2 E2
E3 E3 E3 E3Kenn

E6 d = 0.5 E6 d = 0.5 E6 d = 0.5 E6 d = 0.5

E4 E5 E4 E5 E4 E5 E4 E5

E1 E1 Suba E1 BUni E1
Font E2 E2 E2 E2
E3 Enga
E3 E3 E3

E6 d = 0.5 E6 d = 0.5 E6 d = 0.5 E6 d = 0.5

Teus
E4 E5 E4 E5 E4 E5 E4 E5

E1 E1 E1 E1

E2 E2 E2 E2
E3 E3 E3 E3
Mart AnNa PtAr
E6 d = 0.5 E6 d = 0.5 E6 d = 0.5 Estrato6 d = 0.5

E4 E5 E4 E5 E4 E5 Estrato4
Estrato5

E1 E1 CBol
E1 Estrato1
SE
E2 E2 E2 Estrato2
Cand
E3 E3 RaUr E3 Estrato3

Figura 7: Bogotá - gráficas del ACS - localidades

Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 24

5. Análisis de correspondencias múltiples (ACM)

5.1. Ejemplo razas de perros

Este ejemplo ha sido utilizado por Presta (http://www.ulb.ac.be/assoc/presta/), para la en-

señanza del método. Se trata de 27 razas de perros que se han caracterizado por 6 variables fı́sicas
(tamaño, peso, velocidad) y psı́quicas (inteligencia, afectividad, agresividad) y una variable adicio-
nal que clasifica a las razas de perros según su función (Fine 1996).
A continuación se muestra las instrucciones de R, que leen los datos del archivo perros.txt, la
escribe en consola como una tabla Latex, escribe la TDC en formato Latex y finalmente convierte el
objeto perros en una lista de tab y f uncion. El ACM se realiza sobre perros$tab y perros$f uncion
se proyecta como ilustrativa.

#-------------------------------------------------------------------
# Simposio04 - Ejemplo ACM-Razas de perros
#-------------------------------------------------------------------
# activación de ade4
library(ade4)
# lectura de datos
perros <- read.table("perros.txt", header = TRUE,row.names=1)
library(xtable) # para convertir a Latex
print.xtable(xtable(perros)) # tabla latex en consola
# perros como list de tab (activas) y funcion (ilustrativa)
perros <- list(tab=perros[,1:6],funcion=perros[,7])
#-------------------------------------------------------------------

Las siguientes instrucciones de R ponen en el archivo Perros.tex la tabla disyuntiva completa

(TDC, tabla 15) y la tabla de Burt (tabla 16). Los ACS sobre la TDC y sobre la tabla de Burt
producen las mismas imágenes. En la tabla de Burt se pierde la información de los individuos. Las
funciones acm.disjontif y acm.burt son de la librerı́a ade4.

#-------------------------------------------------------------------
# salida a Latex de TDC y Burt a archivo Perros.tex
#-------------------------------------------------------------------
# TDC en Latex print(xtable(acm.disjonctif(perros$tab),
display=c("s",rep("d",dim(acm.disjonctif(perros$tab))[2]))),
file="Perros.tex")
# tabla de Burt print(xtable(acm.burt(perros$tab,perros$tab),
display=c("s",rep("d",dim(acm.burt(perros$tab,perros$tab))[2]))),
file="Perros.tex",append=T)
#-------------------------------------------------------------------

5.2. ACM del ejemplo razas de perros

Las salidas numéricas (tablas 17 a 19) se obtienen con la función de ADE4 dudi.mca y se
imprimen con la función afg.tex de la tabla 10. A este documento se copian las tablas y se agrupan
para ahorrar espacio. Esto se consigue con las dos primeras instrucciones del siguiente código en
R, las demás son para las gráficas:
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 25

Tabla 14: Razas de perros - datos

TAM PES VEL INT AFE AGR FUN
bass peq liv len baj baj alt caz
beau gra med alt med alt alt uti
boxe med med med med alt alt com
buld peq liv len med alt baj com
bulm gra pes len alt baj alt uti
cani peq liv med alt alt baj com
chih peq liv len baj alt baj com
cock med liv len med alt alt com
coll gra med alt med alt baj com
dalm med med med med alt baj com
dobe gra med alt alt baj alt uti
dogo gra pes alt baj baj alt uti
foxh gra med alt baj baj alt caz
foxt peq liv med med alt alt com
galg gra med alt baj baj baj caz
gasc gra med med baj baj alt caz
labr med med med med alt baj caz
masa gra med alt alt alt alt uti
mast gra pes len baj baj alt uti
peki peq liv len baj alt baj com
podb med med med alt alt baj caz
podf gra med med med baj baj caz
poin gra med alt alt baj baj caz
sett gra med alt med baj baj caz
stbe gra pes len med baj alt uti
teck peq liv len med alt baj com
tern gra pes len med baj baj uti

Tabla 15: Razas de perros - tabla disyuntiva completa

Raza Tamaño Peso Velocidad Inteligencia Afectividad Agresividad
gra med peq liv med pes alt len med alt baj med alt baj alt baj
bass 0 0 1 1 0 0 0 1 0 0 1 0 0 1 1 0
beau 1 0 0 0 1 0 1 0 0 0 0 1 1 0 1 0
boxe 0 1 0 0 1 0 0 0 1 0 0 1 1 0 1 0
buld 0 0 1 1 0 0 0 1 0 0 0 1 1 0 0 1
bulm 1 0 0 0 0 1 0 1 0 1 0 0 0 1 1 0
cani 0 0 1 1 0 0 0 0 1 1 0 0 1 0 0 1
chih 0 0 1 1 0 0 0 1 0 0 1 0 1 0 0 1
cock 0 1 0 1 0 0 0 1 0 0 0 1 1 0 1 0
coll 1 0 0 0 1 0 1 0 0 0 0 1 1 0 0 1
dalm 0 1 0 0 1 0 0 0 1 0 0 1 1 0 0 1
dobe 1 0 0 0 1 0 1 0 0 1 0 0 0 1 1 0
dogo 1 0 0 0 0 1 1 0 0 0 1 0 0 1 1 0
foxh 1 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0
foxt 0 0 1 1 0 0 0 0 1 0 0 1 1 0 1 0
galg 1 0 0 0 1 0 1 0 0 0 1 0 0 1 0 1
gasc 1 0 0 0 1 0 0 0 1 0 1 0 0 1 1 0
labr 0 1 0 0 1 0 0 0 1 0 0 1 1 0 0 1
masa 1 0 0 0 1 0 1 0 0 1 0 0 1 0 1 0
mast 1 0 0 0 0 1 0 1 0 0 1 0 0 1 1 0
peki 0 0 1 1 0 0 0 1 0 0 1 0 1 0 0 1
podb 0 1 0 0 1 0 0 0 1 1 0 0 1 0 0 1
podf 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1
poin 1 0 0 0 1 0 1 0 0 1 0 0 0 1 0 1
sett 1 0 0 0 1 0 1 0 0 0 0 1 0 1 0 1
stbe 1 0 0 0 0 1 0 1 0 0 0 1 0 1 1 0
teck 0 0 1 1 0 0 0 1 0 0 0 1 1 0 0 1
tern 1 0 0 0 0 1 0 1 0 0 0 1 0 1 0 1
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 26

Tabla 16: Razas de perros - tabla de Burt

Tamaño Peso Velocidad Inteligencia Afectividad Agresividad

gra med peq liv med pes alt len med alt baj med alt baj alt baj
TAM.gra 15 0 0 0 10 5 9 4 2 4 5 6 3 12 9 6
TAM.med 0 5 0 1 4 0 0 1 4 1 0 4 5 0 2 3
TAM.peq 0 0 7 7 0 0 0 5 2 1 3 3 6 1 2 5
PES.liv 0 1 7 8 0 0 0 6 2 1 3 4 7 1 3 5
PES.med 10 4 0 0 14 0 8 0 6 4 3 7 7 7 6 8
PES.pes 5 0 0 0 0 5 1 4 0 1 2 2 0 5 4 1
VEL.alt 9 0 0 0 8 1 9 0 0 3 3 3 3 6 5 4
VEL.len 4 1 5 6 0 4 0 10 0 1 4 5 5 5 5 5
VEL.med 2 4 2 2 6 0 0 0 8 2 1 5 6 2 3 5
INT.alt 4 1 1 1 4 1 3 1 2 6 0 0 3 3 3 3
INT.baj 5 0 3 3 3 2 3 4 1 0 8 0 2 6 5 3
INT.med 6 4 3 4 7 2 3 5 5 0 0 13 9 4 5 8
AFE.alt 3 5 6 7 7 0 3 5 6 3 2 9 14 0 5 9
AFE.baj 12 0 1 1 7 5 6 5 2 3 6 4 0 13 8 5
AGR.alt 9 2 2 3 6 4 5 5 3 3 5 5 5 8 13 0
AGR.baj 6 3 5 5 8 1 4 5 5 3 3 8 9 5 0 14

#-------------------------------------------------------------------
# ACM
#-------------------------------------------------------------------
acm <- dudi.acm(perros$tab,scannf=F,nf=2)
afg.tex(acm,2,"Perros")
#-------------------------------------------------------------------
# gráficas
par(ask=T,mfrow=c(1,1)) # para pausa antes de graficar
boxplot(acm) # boxplot del primer eje
scatter.acm(acm) # subnubes en el primer plano
# montaje de cuatro graficas
par(mfrow=c(2,2))
cat("\n")
s.label(acm$co) #1-columnas en primer plano
cat("\n")
s.label(acm$li,clab=1) #2-filas en primer plano
cat("\n")
s.label(acm$co) #3-filas y columnas en primer plano
s.label(acm$li,add.p=T,clab=1) # """
cat("\n")
s.label(acm$co) #4-proyección de funcion como ...
s.class(acm$li,perros$fun,cellipse = 0,add.p=T) # ... ilustrativa
par(mfrow=c(1,1)) # vuelve a una gráfica
#-------------------------------------------------------------------

En la figura 1 muestra las posiciones de las categorı́as de cada variable en el primer eje factorial
mediante boxplot. Se observa, sobretodo, una oposición de la razas por tamaño grandes (+) versus
medianas y pequeñas (-); un ordenamiento por peso liviano (-) a pesado (+) y una oposición de
las razas por agresividad alta (-) contra baja (+).
La figura 9 muestra las subnubes de las categorı́as por cada una de las variables, sobre el primer
plano factorial. Se observa una muy buena separación de las categorı́as de tamaño y de peso y una
buena separación para las de velocidad y afectividad.
El la figura 10 se presenta sobre el primer plano factorial del ACM: las categorı́as de todas
las variables activas (arriba-izquierda), las 27 razas de perros (arriba-derecha), las categorı́as y
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 27

las razas simultáneamente (abajo-izquierda) y la proyección de la variable ilustrativa ( función),

superpuesta con las categorı́as activas. Esta es la sı́ntesis gráfica del ACM. Se pueden leer las
principales asociaciones entre las categorı́as de las variables activas y su relación con la función
que cumplen las razas de perros.

Tabla 17: Perros - Valores propios

0.4
0.3
0.2
inertia cum ratio porvp

0.1
1 0.48 0.48 0.29 28.90

0.0
2 0.38 0.87 0.52 23.08
3 0.21 1.08 0.65 12.66
4 0.16 1.23 0.74 9.45
5 0.15 1.38 0.83 9.01
6 0.12 1.51 0.90 7.40
7 0.08 1.59 0.95 4.89
8 0.05 1.64 0.98 2.74
9 0.02 1.66 1.00 1.41
10 0.01 1.67 1.00 0.46

baj
alt
AGR
baj
alt
AFE
med
baj
alt
INT
med
len
alt
VEL
pes
med
liv
PES
peq
med
gra
TAM

d = 0.5

Figura 8: Perros - boxplot de categorı́as por variable

Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 28

Tabla 18: Perros - Coordenadas y ayudas a la interpretación de las columnas

Coordenadas Contribuciones
Comp1 Comp2 Comp1 Comp2
TAM.gra 0.84 −0.02 TAM.gra 13.46 0.01
TAM.med −0.85 −1.23 TAM.med 4.64 12.17
TAM.peq −1.18 0.92 TAM.peq 12.60 9.59
PES.liv −1.17 0.82 PES.liv 14.01 8.72
PES.med 0.31 −0.82 PES.med 1.67 15.06
PES.pes 1.02 0.97 PES.pes 6.60 7.61
VEL.alt 0.89 −0.37 VEL.alt 9.18 2.00
VEL.len −0.32 1.04 VEL.len 1.31 17.52
VEL.med −0.60 −0.89 VEL.med 3.74 10.12
INT.alt 0.34 −0.46 INT.alt 0.86 2.03
INT.baj 0.35 0.81 INT.baj 1.25 8.39
INT.med −0.37 −0.29 INT.med 2.27 1.70
AFE.alt −0.78 −0.27 AFE.alt 10.79 1.60
AFE.baj 0.84 0.29 AFE.baj 11.62 1.72
AGR.alt 0.43 0.21 AGR.alt 3.10 0.91
AGR.baj −0.40 −0.19 AGR.baj 2.88 0.85

Calidad Calidad acumulada

Comp1 Comp2 con.tra Comp1 Comp2 remain
TAM.gra 87.50 −0.05 4.44 TAM.gra 87.50 87.56 12.44
TAM.med −16.46 −34.48 8.15 TAM.med 16.46 50.94 49.06
TAM.peq −49.14 29.88 7.41 TAM.peq 49.14 79.02 20.98
PES.liv −57.53 28.61 7.04 PES.liv 57.53 86.14 13.86
PES.med 10.04 −72.21 4.81 PES.med 10.04 82.26 17.74
PES.pes 23.42 21.56 8.15 PES.pes 23.42 44.98 55.02
VEL.alt 39.79 −6.91 6.67 VEL.alt 39.79 46.71 53.29
VEL.len −6.02 64.22 6.30 VEL.len 6.02 70.25 29.75
VEL.med −15.34 −33.19 7.04 VEL.med 15.34 48.53 51.47
INT.alt 3.21 −6.03 7.78 INT.alt 3.21 9.24 90.76
INT.baj 5.13 27.53 7.04 INT.baj 5.13 32.66 67.34
INT.med −12.67 −7.57 5.19 INT.med 12.67 20.24 79.76
AFE.alt −64.77 −7.67 4.81 AFE.alt 64.77 72.44 27.56
AFE.baj 64.77 7.67 5.19 AFE.baj 64.77 72.44 27.56
AGR.alt 17.29 4.06 5.19 AGR.alt 17.29 21.36 78.64
AGR.baj −17.29 −4.06 4.81 AGR.baj 17.29 21.36 78.64
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 29

Tabla 19: Perros - Coordenadas y ayudas a la interpretación de las filas

Coordenadas Contribuciones
Axis1 Axis2 Axis1 Axis2
bass −0.25 1.10 bass 0.50 11.67
beau 0.32 −0.42 beau 0.77 1.68
boxe −0.45 −0.88 boxe 1.54 7.48
buld −1.01 0.55 buld 7.90 2.91
bulm 0.75 0.55 bulm 4.36 2.88
cani −0.91 −0.02 cani 6.40 0.00
chih −0.84 0.84 chih 5.44 6.85
cock −0.73 0.08 cock 4.14 0.06
coll 0.12 −0.53 coll 0.11 2.66
dalm −0.65 −0.99 dalm 3.22 9.44
dobe 0.87 −0.32 dobe 5.86 0.96
dogo 1.05 0.51 dogo 8.43 2.47
foxh 0.88 0.03 foxh 5.91 0.01
foxt −0.88 0.14 foxt 5.98 0.19
galg 0.68 −0.08 galg 3.52 0.07
gasc 0.52 −0.11 gasc 2.06 0.12
labr −0.65 −0.99 labr 3.22 9.44
masa 0.49 −0.46 masa 1.82 2.08
mast 0.76 0.89 mast 4.39 7.58
peki −0.84 0.84 peki 5.44 6.85
podb −0.48 −1.04 podb 1.76 10.35
podf 0.14 −0.52 podf 0.16 2.56
poin 0.67 −0.42 poin 3.49 1.73
sett 0.50 −0.38 sett 1.95 1.37
stbe 0.58 0.59 stbe 2.62 3.39
teck −1.01 0.55 teck 7.90 2.91
tern 0.38 0.49 tern 1.13 2.27

Calidad Calidad acumulada

Axis1 Axis2 con.tra Axis1 Axis2 remain
bass −3.38 63.49 4.24 bass 3.38 66.87 33.13
beau 8.86 −15.37 2.52 beau 8.86 24.23 75.77
boxe −11.13 −43.25 3.99 boxe 11.13 54.39 45.61
buld −62.45 18.39 3.65 buld 62.45 80.84 19.16
bulm 27.07 14.30 4.65 bulm 27.07 41.36 58.64
cani −38.52 −0.01 4.80 cani 38.52 38.53 61.47
chih −37.99 38.27 4.13 chih 37.99 76.26 23.74
cock −27.92 0.32 4.28 cock 27.92 28.24 71.76
coll 1.24 −24.93 2.47 coll 1.24 26.17 73.83
dalm −23.63 −55.30 3.94 dalm 23.63 78.93 21.07
dobe 48.76 −6.36 3.47 dobe 48.76 55.13 44.87
dogo 56.08 13.15 4.34 dogo 56.08 69.23 30.77
foxh 55.83 0.05 3.06 foxh 55.83 55.88 44.12
foxt −43.63 1.08 3.96 foxt 43.63 44.71 55.29
galg 33.88 −0.51 3.00 galg 33.88 34.39 65.61
gasc 18.60 −0.89 3.20 gasc 18.60 19.50 80.50
labr −23.63 −55.30 3.94 labr 23.63 78.93 21.07
masa 15.37 −14.02 3.42 masa 15.37 29.39 70.61
mast 30.00 41.36 4.23 mast 30.00 71.36 28.64
peki −37.99 38.27 4.13 peki 37.99 76.26 23.74
podb −10.50 −49.40 4.84 podb 10.50 59.89 40.11
podf 1.75 −22.21 2.66 podf 1.75 23.97 76.03
poin 29.46 −11.68 3.42 poin 29.46 41.13 58.87
sett 22.39 −12.53 2.52 sett 22.39 34.92 65.08
stbe 20.16 20.87 3.75 stbe 20.16 41.03 58.97
teck −62.45 18.39 3.65 teck 62.45 80.84 19.16
tern 8.84 14.15 3.70 tern 8.84 22.99 77.01
Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 30

TAM PES

peq pes
liv

gra

med
med

VEL INT
len
baj

alt med
alt
med

AFE AGR

baj alt
alt baj

Figura 9: Perros - subnubes de categorı́as por variable

d = 0.5 d = 0.5
VEL.len PES.pes bass
TAM.peq
PES.liv INT.baj peki
chih mast

buld
teck stbe
bulm dogo
tern
AFE.baj
AGR.alt
TAM.gra foxt
cock foxh
AGR.baj cani galg
AFE.altINT.med gasc
VEL.alt
INT.alt dobe
beausettpoin
podf masa
coll
PES.med
VEL.med
boxe
TAM.med dalm
labrpodb

d = 0.5 d = 0.5
bass
VEL.len VEL.len
TAM.peq PES.pes TAM.peq PES.pes
mast
PES.liv peki
chih INT.baj PES.liv INT.baj

buld
teck stbe
tern bulm dogo
AFE.baj AFE.baj
AGR.alt uti
AGR.alt
foxt
cock foxh com
cani TAM.gra TAM.gra
galg
gasc
AGR.baj AGR.baj
AFE.altINT.med dobe AFE.altINT.med caz
VEL.alt
settpoin
beau VEL.alt
podf masa
INT.alt INT.alt
coll

PES.med PES.med
boxe
VEL.med VEL.med
dalm
labr
podb
TAM.med TAM.med

Figura 10: Perros - primer plano del ACM

 View publication stats

Análisis multivariado de datos en R Campo Elı́as Pardo y Jorge Ortiz 31

Referencias
Cabarcas, G. & Pardo, C.-E. (2001), ‘Métodos estadı́sticos multivariados en investigación social’,
Simposio de Estadı́stica .
Cabrera, K. R. (2002), Aplicaciones en ciencias ambientales y del suelo utilizando el lenguaje es-
tadı́stico R, in ‘Memorias Simposio de Estadı́stica 2002: Estadı́stica Aplicada a las Ciencias
Ambientales’, Universidad Nacional de Colombia - Bogotá. Facultad de Ciencias. Departa-
mento de Estadı́stica.
CISIA-CERESTA (2000), SPAD. Versión 4.5. Manuel de prise en main, Montreuil.
Correa, J. C. & González, N. (2002), Gráficos estadı́sticos con R, Universidad Nacional de Colombia
- Sede Medellı́n. Facultad de Ciencias Departamento de Matemáticas. Posgrado en Estadı́stica.
*http://cran.r-project.org/doc/contrib/grafi3.pdf
Correa, J. C. & Salazar, J. C. (2000), R: Un Lenguage Estadı́stico, Universidad Nacional de Co-
lombia - Sede Medellı́n. Facultad de Ciencias Departamento de Matemáticas. Posgrado en
Estadı́stica.
De-Castro, R. (2003), El Universo Latex, 2 edn, Universidad Nacional de Colombia - Bogotá.
Facultad de Ciencias. Departamento de Matemáticas, Bogotá.
Dı́az, R. (2003), Introducción al uso y programación del sistema estadı́stico R, Unidad de Bioin-
formática. Centro Nacional de Investigaciones Oncológicas (CNIO).
*http://cran.r-project.org/doc/contrib/curso-R.Diaz-Uriarte.pdf
Escofier, B. & Pagès, J. (1992), Análisis factoriales simples y múltiples. Objetivos, métodos e
interpretación, Universidad del Pais Vasco, Bilbao.
Fine, J. (1996), Iniciación a los análisis de datos multidimensionales a partir de ejemplos, Folleto,
PRESTA: Programme de recherche et a’enseignement en statistique appliquée, Sao Carlos.
Lavit, C. (1988), Analyse conjointe de tableaux quantitatives, Masson, Paris.
Lebart, L., Morineau, A. & Warwick (1984), Multivariate Descriptive Statistical Analysis, Wiley,
New York.
Paradis, E. (2002), R para Principiantes, Institut des Sciences de l’Evolution Universit Montpellier
II, Montpellier. Traduciod por: Jorge A. Ahumada University of Hawaii & National Wildlife
Health Center.
*http://cran.r-project.org/doc/contrib/rdebuts es.pdf
Pardo, C. E. (1999), Métodos estadı́sticos multivariados en investigación social, in ‘Memorias IV
Jornadas de Reflexión Investigativa’, Universidad de Medellı́n, Medellı́n, pp. 65–90.
R Development Core Team (2000), Introducción a R, R Foundation for Statistical Computing,
Vienna, Austria.
*http://www.R-project.org
R Development Core Team (2004), R: A language and environment for statistical computing, R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-00-3.
*http://www.R-project.org
Thioulouse, J., Chessel, D., Dolédec, S. & Olivier, J. (1997), ‘Ade-4: a multivariate analysis and
graphical display software’, Stat. Comp. 7, 75–83.
*http://pbil.univ-lyon1.fr/ADE-4/ADE-4F.html